Pular para o conteúdo
Skillpedia
Documentação70 mil · #1726

init-deep

Ajuda seu agente a organizar a documentação do projeto. É útil para que o agente entenda a estrutura, comandos e regras do seu projeto.

O que ela faz

Esta ferramenta organiza a documentação do seu projeto em arquivos chamados AGENTS.md. Ela cria uma estrutura hierárquica, como pastas dentro de pastas, para que a inteligência artificial possa entender melhor o projeto.

Quando usar

  • ✓Quando você inicia um novo projeto e quer que a IA entenda sua estrutura.
  • ✓Quando o projeto cresce e a documentação precisa ser organizada.
  • ✓Quando você quer que a IA ajude a manter a documentação atualizada.

Exemplo do que pedir para a IA

“Organize a documentação do meu projeto em arquivos AGENTS.md, começando pela raiz e criando subpastas conforme necessário.”

Quer saber mais? Abra as seções abaixo.

Como usar

O jeito mais fácil: copie a mensagem abaixo e cole no Claude, ChatGPT, Cursor ou outra IA. Ela lê a skill e segue as instruções.

Link da skill

https://github.com/code-yeongyu/oh-my-openagent/blob/dev/packages/omo-senpi/skills/init-deep/SKILL.md

Mensagem pronta para colar

Use esta skill para me ajudar: https://github.com/code-yeongyu/oh-my-openagent/blob/dev/packages/omo-senpi/skills/init-deep/SKILL.md Leia o arquivo SKILL.md desse link e siga as instruções dele na minha tarefa.
Como funciona

A ferramenta primeiro mede o tamanho do seu projeto e decide como dividi-lo. Depois, ela coleta informações de cada parte e, por fim, escreve os arquivos AGENTS.md, garantindo que a IA sempre tenha uma visão clara e organizada do projeto.

Instalação

Jeito mais fácil: copie o link da skill e cole no Claude, ChatGPT ou Cursor pedindo para seguir as instruções.

No terminal (Claude Code, Codex, Cursor), na pasta do projeto:

npx skills add code-yeongyu/oh-my-openagent --skill init-deep

Ou baixe só o arquivo:

curl -L https://raw.githubusercontent.com/code-yeongyu/oh-my-openagent/dev/packages/omo-senpi/skills/init-deep/SKILL.md -o SKILL.md
Conteúdo técnico (SKILL.md)

Tradução do texto original do autor no GitHub. Os comandos e códigos estão como no original.

/init-deep

Gera arquivos AGENTS.md hierárquicos: raiz + subdiretórios com pontuação de complexidade, produzidos por um map-reduce de DAG impulsionado por fórmula de tamanho (quick scanners -> unspecified-high writers) para que o contexto da sessão principal permaneça plano em qualquer tamanho de repositório.

Uso

/init-deep                      # Update mode: modify existing + create new where warranted
/init-deep --create-new         # Read existing → remove all → regenerate from scratch
/init-deep --max-depth=2        # Limit directory depth (default: 3)

Fluxo de Trabalho (Alto Nível)

  1. Tamanho e Rota (sessão principal) - UMA célula de avaliação mede o repositório e calcula a fórmula do nó.
  2. Map (dag) - Nós de scanner quick extraem fatos por fragmento em relatórios de arquivo delimitados.
  3. Reduce (dag) - Nós de writer unspecified-high possuem subárvores disjuntas: pontuam, escrevem arquivos AGENTS.md, emitem digests.
  4. Raiz e Verificação (dag) - um nó escreve o AGENTS.md raiz apenas a partir de digests; um nó verifica cada arquivo.
  5. Snapshot e Modo (sessão principal) - contrato de snapshot inalterado.
<critical> **A REGRA SEMPRE-REDUCE.** A sessão principal NUNCA lê relatórios de fragmentos ou saídas brutas de nós - apenas o veredicto do nó de verificação e, quando um reparo o exige, um digest. A proteção de contexto é estrutural (fan-in limitado em cada estágio), nunca uma suposição de "quanto contexto resta" em tempo de execução.

todo inicializa as cinco fases; start/done cada transição em tempo real. </critical>


Fase 1: Tamanho e Rota

Mede e calcula em UMA célula de avaliação - código, não aritmética mental:

# Measure (tracked files minus vendored/generated: node_modules, .git, dist,
# build, out, vendor, target, coverage, lockfiles, minified and binary files)
S        = total source bytes after exclusions
per_dir  = source bytes per directory            # bin-packing input
depth    = max directory depth                   # respect --max-depth (default 3)
existing = every AGENTS.md / CLAUDE.md path      # read the ROOT one now

# Formula
CHUNK   = 400 * 1024          # ~100k tokens of source; a quick worker's usable window
                              # is ~150k over its fallback chain - leave room for its
                              # prompt and report
N_quick = ceil(S / CHUNK)     # bin-pack WHOLE directories into chunks; a directory
                              # larger than one chunk splits at its children
N_high  = ceil(N_quick / 12)  # one reducer absorbs ~12 reports (~60k tokens) and
                              # still has room to spot-check real code

Rota:

  • **N_quick < 4** -> caminho inline abaixo; um DAG custa mais do que economiza.
  • N_quick > task.dag.max_nodes_per_run (padrão 64) -> aumente o knob na configuração omo, ou execute um DAG encadeado por diretório de nível superior (composição de múltiplas execuções, habilidade mass-ulw).
  • Caso contrário -> caminho DAG: emita CHUNKS = [{id, dirs, bytes}], atribua a cada writer uma SUBÁRVORE de diretório (disjunta - nenhum writer possui o mesmo diretório) e mkdir -p .omo/init-deep/reports .omo/init-deep/digests.

--create-new: leia todos os AGENTS.md existentes PRIMEIRO (fatos ainda válidos sobrevivem como entrada do scanner), depois delete todos, depois regenere.

Caminho Inline (N_quick < 4)

Repositório pequeno - pule o DAG. Execute 2-4 agentes explore paralelos (estrutura, pontos de entrada, convenções, antipadrões), por exemplo:

task(subagent_type="explore", run_in_background=true, prompt="Project structure: map real layout via ast-grep structural search (sg/ast_grep MCP) + rg --files -> REPORT deviations from standard patterns")

Execute o mapeamento de código LSP/ast-grep você mesmo (lsp_symbols esboços + inventário do espaço de trabalho, lsp_find_references em exportações principais, formas de importação/chamada ast-grep; quando nenhum dos dois resolver, marque a centralidade como não medida). Em seguida, pontue com a matriz abaixo e escreva cada arquivo de acordo com os modelos você mesmo. A Fase 5 se aplica inalterada.


Fase 2: Onda de Map - quick Scanners (dag)

Construa e inicie a execução em uma célula JS de avaliação com o SDK DAG (OMO_DAG_SDK_ROOT); a doutrina da onda, o contrato do prompt do nó e o playbook de falhas vêm da habilidade mass-ulw references/planning.md. Um nó scanner por fragmento, category: "quick", sem load_skills - os scanners permanecem enxutos e seu prompt é um modelo rígido de extração numerada. Workers rápidos extraem; eles nunca julgam e nunca escrevem AGENTS.md:

TAREFA: Extrair fatos da base de conhecimento para o fragmento <id> (<dirs>) de <repo-root>.
Etapas, em ordem:
1. Inventariar cada diretório no escopo: contagem de arquivos, LOC, linguagens, arquivos de entrada.

…
Perguntas frequentes

O que são arquivos AGENTS.md?

São arquivos de documentação que ajudam a inteligência artificial a entender a estrutura, os comandos e as convenções de um projeto.

O que significa 'hierárquica'?

Significa que a documentação é organizada em níveis, como pastas e subpastas, para facilitar a navegação e a compreensão.

Posso controlar a profundidade da organização?

Sim, você pode definir um limite para a profundidade das subpastas, para não criar uma estrutura excessivamente complexa.

Detalhes

Descrição original do autor

Initializes a hierarchical AGENTS.md knowledge base for a project. Use when a repo needs its structure, commands, and conventions documented for agents.

repo: code-yeongyu/oh-my-openagent

Popularidade

Estrelas no GitHub
70 mil
Posição no ranking
#1726
Licença
NOASSERTION
Atualizada em
16/10/2026

Essa skill é útil?

0

Entre para votar.

Comentários

  • …

Mais skills deste repositório

Skills parecidas